🎧 ▶ 5분 브리핑으로 듣기
▶ 오디오북 재생 (Google Drive)
NotebookLM 오디오 개요 (AI 생성)

AI 인프라 예산을 짜거나 사내 모델 표준을 정하는 자리에 계신다면, 오늘 뉴스에서 챙길 것은 하나입니다. 업계는 전력을 20년 단위로 사들이고 있는데 지능의 단가는 분기마다 내려가고 있으며, 이 시간 축의 어긋남이 앞으로 몇 년간 모든 아키텍처 결정을 조용히 지배할 것입니다.

8기가와트는 20년, 27B는 넉 달: AI 업계가 같은 날 서명한 두 장의 계약 개념을 형상화한 이미지 글의 핵심 개념을 형상화했습니다.

같은 날 도착한 두 장의 계약서

어제 하루 사이에 성격이 정반대인 소식 두 건이 나란히 올라왔습니다. 하나는 OpenAI가 SB Energy와 20년 리스 계약을 맺고 PORTS-Pike 캠퍼스에서 약 8기가와트 규모의 IT 전력 용량을 확보했다는 소식입니다. 엔비디아는 처음 검토하던 2500억 달러 규모 제안을 축소한 뒤 1050억 달러 보증으로 이 구조를 뒷받침하기로 했고, 시설은 SB Energy가 직접 짓고 소유하며 운영합니다.

다른 하나는 알리바바가 내놓은 오픈 웨이트 모델 Qwen3.8 27B가 Artificial Analysis Intelligence Index에서 52점을 기록했다는 소식입니다. 로컬에서 돌릴 수 있는 크기의 모델이 업계 선두권과 같은 줄에 선 첫 사례로 평가받고 있습니다.

두 뉴스는 서로 다른 시간 단위로 쓰였습니다. 앞쪽 계약의 단위는 20년이고, 뒤쪽 모델이 이전 세대를 밀어내는 데 걸린 시간은 넉 달 남짓입니다. 산업 전체가 한쪽 발은 20년 약정에, 다른 발은 분기마다 판이 바뀌는 모델 시장에 담그고 있다는 뜻입니다.

핵심 개념 요약 인포그래픽 1 NotebookLM이 소스를 종합해 생성한 인포그래픽입니다.

8기가와트를 20년으로 사는 쪽의 계산

대규모 캠퍼스 계약이 왜 전력과 리스와 보증 중심으로 재편되는지는 이해하기 어렵지 않습니다. GPU는 3년이면 세대가 바뀌지만 변전 설비와 송전 계통, 냉각 인프라는 그 속도로 지을 수 없습니다. 그래서 병목이 칩에서 전기로 옮겨간 순간, 계약의 만기도 칩의 수명이 아니라 발전 설비의 수명에 맞춰집니다.

주목할 대목은 시설을 SB Energy가 짓고 소유하고 운영한다는 구조입니다. 컴퓨팅을 쓰는 쪽이 자본 지출을 직접 떠안지 않고 장기 사용 약정으로 바꿔 놓은 셈입니다. 엔비디아의 보증이 그 사이에 들어가면서 신용 위험도 한 번 더 옮겨 갔습니다. 초기 제안이 2500억 달러에서 1050억 달러로 줄어든 것 역시, 이런 구조가 협상 과정에서 얼마든지 형태를 바꿀 수 있다는 신호로 읽힙니다.

여기서 갈라지는 지점이 하나 있습니다. 8기가와트급 캠퍼스를 20년으로 묶는 선택은 초대형 사업자에게는 합리적입니다만, 대부분의 기업에게는 애초에 선택지가 아닙니다. 오히려 필요한 시점에 필요한 만큼만 쓰는 지역 단위 실행 환경의 상대적 가치가 올라갑니다. 거대한 계약이 뉴스를 채울수록, 그 계약에 참여하지 않고도 같은 일을 처리할 방법이 무엇인지가 실무의 질문이 됩니다.

문제는 이렇게 만든 약정이 회계 장부에서 잘 보이지 않는다는 점입니다.

장부 밖으로 나간 3조 달러

같은 날 나온 또 다른 보도가 이 지점을 정확히 짚었습니다. 엔비디아와 브로드컴을 포함한 9개 대형 기술 기업이 쌓아 올린 AI 관련 의무가 총 3조 달러에 이르고, 이는 공식적으로 보고된 부채의 세 배 규모라는 내용입니다. 여기에는 미조건부 약정 1조 2000억 달러가 포함되어 있으며, 상당 부분이 재무제표 밖에서 관리되고 있습니다.

이 숫자를 두고 거품이라고 단정할 생각은 없습니다. 수요 쪽 신호도 함께 강해지고 있기 때문입니다. 앤트로픽의 매출 런레이트는 650억 달러를 넘어섰고 7배 규모로 급증했으며, 가을 상장을 준비 중인 것으로 알려졌습니다. 기업들이 AI에 배정하는 예산 자체가 커지고 있다는 뜻이므로, 공급 쪽 약정이 전부 허공에 뜬 것이라 보기는 어렵습니다.

다만 구매하는 입장에서 읽어야 할 함의는 분명합니다. 공급자가 20년짜리 고정 원가를 짊어졌다면, 그 원가는 결국 어떤 형태로든 가격에 반영됩니다. 그리고 고정 원가를 회수해야 하는 사업자는 고객을 장기 약정에 묶으려는 유인을 갖게 됩니다. 앞으로 몇 년간 협상 테이블에서 장기 커밋 조건이 자주 등장할 것이라 예상하는 편이 안전합니다.

27B가 52점을 찍은 날

반대편 소식으로 돌아가 보겠습니다. 오픈 웨이트 27B 모델이 프런티어급 점수에 올라섰다는 사실은 벤치마크 순위표 이상의 의미를 갖습니다. 같은 작업을 처리하는 데 필요한 파라미터 수가 줄었다는 것은 곧 같은 작업의 원가가 줄었다는 뜻이고, 그 감소분은 모델 제공사와 협상해서 얻어낸 것이 아니라 기술 자체가 만들어 준 것이기 때문입니다.

여기에 컨텍스트 쪽 변화가 겹칩니다. OpenAI는 코덱스를 업데이트해 ChatGPT 계정 사용자도 GPT-5.6 Sol 모델의 100만 토큰 컨텍스트를 쓸 수 있게 열었습니다. API 계정이 아닌 일반 계정에 이 정도 메모리 예산이 열린 것은 처음입니다. 긴 업무 맥락을 통째로 들고 다니는 에이전트 설계가 특수한 선택이 아니라 기본값이 되어 간다는 신호입니다.

물론 순위표 점수 하나로 모든 작업이 대체된다고 보면 곤란합니다. 지표가 잡아내지 못하는 영역이 여전히 넓고, 실제 업무에서는 같은 점수의 모델도 도메인마다 다르게 무너집니다. 그래도 방향은 분명합니다. 작년까지 최상위 모델에만 맡기던 작업 가운데 상당수가 이제 자체 환경에서 돌아가는 모델로 내려올 수 있게 되었고, 그 경계선은 계속 이동합니다.

두 흐름을 겹쳐 놓으면 그림이 선명해집니다. 한쪽에서는 실행 환경이 20년 계약으로 굳어 가고, 다른 쪽에서는 무엇을 어디서 돌릴지에 대한 선택지가 매 분기 늘어납니다. 올해 최적이라고 판단해 표준으로 못 박은 조합이 내년에도 최적일 확률은 생각보다 낮습니다.

라우팅 계층이 70억 달러에 팔린 이유

이 맥락에서 보면 스트라이프가 AI 모델 마켓플레이스 오픈라우터를 70억 달러 이상에 인수했다는 소식이 다르게 읽힙니다. 지난 5월 대비 5.4배 오른 밸류에이션인데, 결제 기업이 그 값을 치른 대상은 모델도 아니고 GPU도 아니었습니다. 어느 요청을 어느 모델로 보낼지 결정하는 계층이었습니다.

선택지가 하나뿐이던 시절에는 라우팅이 배관 취급을 받았습니다. 지금은 27B 오픈 모델부터 최상위 프런티어 모델까지 성능과 단가가 제각각인 선택지가 늘어섰고, 작업마다 정답이 다릅니다. 문서 분류에 최상위 모델을 쓰는 것은 낭비이고, 복잡한 다단계 추론에 소형 모델을 쓰는 것은 재작업 비용을 부릅니다. 이 판단을 자동화하는 계층이 곧 마진이라는 사실을 시장이 가격으로 인정한 셈입니다.

그리고 이런 계층은 한 번 자리를 잡으면 좀처럼 내려오지 않습니다. 결제 기업이 라우팅을 사들이는 순간, 어느 모델을 쓸지에 대한 결정이 청구 시스템과 같은 곳에 살게 됩니다. 나중에 다른 판단 기준을 넣고 싶어질 때 그 결정권이 우리 쪽에 남아 있는지가 중요해집니다.

실행 계층을 누가 소유하는가

같은 흐름을 보여 주는 소식이 하나 더 있었습니다. 커서가 유료 요금제 고객을 대상으로 코드 저장소를 호스팅하고 관리하는 Origin의 초기 베타를 열었고, 업계는 이를 깃허브의 첫 직접 경쟁 서비스로 보고 있습니다.

코딩 에이전트를 만들던 회사가 저장소 계층까지 내려온 것인데, 이유는 짐작하기 어렵지 않습니다. 에이전트가 일을 잘하려면 코드와 이력과 리뷰 맥락이 한 곳에 있어야 하고, 그 맥락을 남의 플랫폼에 두면 제품의 상한이 남의 API에 묶입니다. 실행 계층을 가진 쪽이 결국 위아래로 확장한다는 사실을 보여 주는 사례입니다.

기업 입장에서 이 소식은 편의와 종속 사이의 익숙한 선택으로 돌아옵니다. 한 사업자가 에디터와 저장소와 모델까지 묶어 주면 도입은 쉬워지지만, 업무 정의가 그 사업자의 형식으로 저장되면 갈아타는 비용이 조용히 쌓입니다. 앞 절의 라우팅 이야기와 정확히 같은 구조입니다.

데이터 출처가 계약 조건이 되는 순간

한 건 더 짚고 넘어가야 할 소식이 있습니다. 기자와 희귀 서적상이 AirTag로 배송을 추적해, 아마존이 희귀 서적을 사들여 라스베이거스 LAS8 창고로 보내고 VGT3로 불리는 비공개 시설에서 학습 데이터화 과정에 투입했다는 정황을 보도했습니다. 실물 책이 그 과정에서 파기됐다는 내용도 함께 나왔습니다.

기술적으로 새로운 이야기는 아닙니다만, 조달 담당자 입장에서는 성격이 다릅니다. 학습 데이터의 출처를 증명하지 못하는 모델은 규제 산업에서 도입 심사를 통과하기가 점점 어려워집니다. 앞으로 모델 선택 기준에 성능과 단가에 더해 데이터 계보라는 항목이 정식으로 들어올 것입니다.

이 항목은 앞서 이야기한 오픈 웨이트 모델의 부상과 맞물립니다. 자체 환경에서 자체 데이터로 학습하거나 파인튜닝한 모델은 출처를 스스로 증명할 수 있습니다. 성능 격차가 좁아진 지금, 이 증명 가능성이 도입 결정을 뒤집는 변수가 되는 사례를 앞으로 자주 보게 될 것입니다.

어긋난 시간 축을 견디는 설계

정리하면 오늘의 과제는 하나로 모입니다. 인프라는 길게 고정되고 지능은 빠르게 바뀌는 환경에서, 어떻게 하면 한쪽의 경직성이 다른 쪽의 유연성을 잡아먹지 않게 만들 수 있는가입니다.

답은 업무를 실행하는 계층을 인프라 계약에서 떼어 놓는 것입니다. ThakiCloud가 Paxis를 Agent-Native Cloud로 설계한 이유가 여기에 있습니다. Paxis는 Skills와 Tools, Policies, Audit Logs를 일급 리소스로 다루고, 작업별 모델 선택을 CostRouter가 담당합니다. 27B 오픈 모델이 충분한 작업은 거기서 처리하고 정교한 판단이 필요한 구간만 상위 모델로 올리는 결정을, 사람이 매번 코드에 박아 넣지 않아도 되게 만드는 구조입니다. 모델 시장이 다시 뒤집혀도 바꿔야 할 것은 라우팅 정책이지 업무 정의가 아닙니다.

배포 위치도 같은 원리로 열어 둡니다. Paxis는 소버린 환경과 온프렘 쿠버네티스 위에서 동일하게 돌아가므로, 데이터 계보와 주권 요건이 까다로운 조직은 자체 환경에서 자체 모델로 실행하는 선택지를 유지할 수 있습니다. 여기에 L0부터 L3까지의 자율도 거버넌스와 정책 게이트, 감사 로그, 격리 샌드박스가 붙습니다. 에이전트가 무엇을 했는지 되짚을 수 있어야 규제 심사를 통과하는데, 이 요건은 모델 세대가 바뀌어도 사라지지 않습니다.

오늘의 결론

8기가와트짜리 20년 계약과 넉 달 만에 순위표를 흔든 27B 모델은 같은 산업의 서로 다른 얼굴입니다. 둘 중 하나를 틀렸다고 말할 필요는 없습니다. 다만 조직이 어느 쪽 시간표에 자신을 묶고 있는지는 지금 확인해 두시길 권합니다.

인프라 계약은 길게 가져가되 실행 계층은 갈아탈 수 있게 남겨 두는 것, 그것이 오늘 뉴스가 알려 주는 가장 실용적인 대비입니다.

핵심 개념 요약 인포그래픽 2 NotebookLM이 소스를 종합해 생성한 인포그래픽입니다.

참고 자료

이 글은 아래 뉴스를 종합해 작성했습니다.

태그: ai-frontier, llmops, paxis, thakicloud

카테고리:

업데이트:

참고